YOLOvME : La révolution numérique des forêts

Stefano Puliti est chercheur en télédétection forestière au Norwegian Institute of Bioeconomy Research (NIBIO), au sein du département de l'inventaire forestier national. NIBIO est l'un des plus grands instituts de recherche en Norvège, comptant environ 700 employés. Ils contribuent à la sécurité alimentaire, à la gestion durable des ressources, à l'innovation et à la création de valeur grâce à la recherche et à la production de connaissances.

Dans ses recherches, des drones et d'autres techniques de détection proximale, comme le scan laser mobile, sont utilisés pour produire les analyses avancées nécessaires pour répondre aux besoins d'information modernes.

Une grande partie de son travail a été réalisée dans le cadre du projet SmartForest, un programme de recherche à long terme financé par le Conseil norvégien de la recherche, en collaboration avec la plupart des acteurs de l'industrie forestière en Norvège. L'objectif de SmartForest est d'améliorer l'efficacité du secteur forestier norvégien en permettant une révolution numérique qui transforme l'information forestière, la sylviculture, les opérations forestières, l'approvisionnement en bois et le flux global d'informations numériques dans l'industrie.

Stefano a travaillé pendant de nombreuses années avec des applications d'apprentissage automatique plus traditionnelles, comme les forêts aléatoires ou les machines à vecteurs de support. Il y a environ trois ans, il a réalisé qu'il était temps de passer à la vitesse supérieure dans le domaine de l'apprentissage profond, qui en est encore au stade de développement pour le secteur forestier. Depuis qu'il a pris conscience des immenses avantages que les chercheurs peuvent tirer de l'apprentissage profond, Stefano a développé plusieurs applications dans le domaine de la vision par drone et par machine.

Link to this sectionDepuis combien de temps utilises-tu YOLOv5 ?#

"Je l'utilise depuis l'été 2021 et je ne l'ai pas abandonné depuis ! Je dois dire que ce fut un coup de foudre grâce à la facilité de mise en place du dépôt YOLOv5. C'était extrêmement précieux pour moi car, à l'époque, je n'étais pas très familier avec Python, et la courbe d'apprentissage accessible de YOLOv5 a été l'élément décisif."

Stefano a eu recours à la détection d'objets principalement pour identifier, dans les images prises par drone, les arbres en mauvais état de santé, que ce soit à cause de dommages abiotiques (sécheresse, vent, neige) ou biotiques (insectes et champignons). Depuis, lui et ses collègues développent toute une famille de détecteurs YOLOv5, allant des nids-de-poule aux détecteurs de bords de route et de verticilles.

"Au moment où j'ai découvert YOLOv5, j'avais essayé en vain pendant un certain temps d'entraîner des détecteurs d'objets avec l'API TensorFlow Object Detection. Puis je suis tombé sur le dépôt YOLOv5 et (sans grand espoir) j'ai tenté d'entraîner un détecteur. À ma grande surprise, j'ai lancé le processus d'apprentissage avec quatre lignes de code. Je ne sais pas si l'on peut appeler cela un processus de réflexion ou plutôt un coup de chance, mais c'est ainsi que tout a commencé."

La plupart des modèles sont ensuite déployés sur leur solution cloud (ForestSens) pour fournir des services au secteur forestier. Là, les utilisateurs peuvent par exemple télécharger des images de drone qui sont ensuite transformées en informations exploitables grâce à notre famille de modèles YOLOv5. Certains de leurs détecteurs entraînés sont également déployés en périphérie (edge) sur des machines forestières ou sur des camions de transport de bois.

Depuis le début, Stefano et son équipe ont développé toute une série de modèles YOLOv5 destinés à aider à :

1. Évaluer la qualité du bois
2. Surveiller les besoins d'entretien des routes forestières
3. Détecter les caractéristiques pertinentes pour la biodiversité en forêt

De plus, ils cherchent également à étendre leurs modèles basés sur les drones pour la santé et l'inventaire forestiers vers des données d'images aériennes et satellites à résolution plus grossière.

Avec les dernières versions de YOLOv5, ils attendent avec impatience la classification d'images et la segmentation sémantique que YOLOv5 pourrait offrir. Ces capacités élargiront leur aptitude à résoudre des tâches complexes de vision par ordinateur dans les environnements forestiers.

La facilité de configuration, tant pour l'entraînement des modèles (version docker) que pour leur déploiement, a fait de YOLOv5 une excellente option pour eux.

"L'un des aspects qui m'a toujours fasciné chez Ultralytics est le modèle économique plutôt novateur qui repose sur un code ouvert tout en proposant des produits payants permettant aux non-spécialistes d'accéder à la puissance de l'apprentissage profond. En tant que scientifique, j'apprécie beaucoup l'ouverture d'Ultralytics et je trouve que c'est un excellent moyen d'accélérer le développement du produit. En conséquence, YOLOv5 connaît des mises à jour assez radicales en constante évolution grâce à la contribution de nombreux data scientists et praticiens."

Link to this sectionQue souhaites-tu recommander à quelqu'un qui débute en IA ?#

En participant à des conférences internationales au cours de l'année passée, j'ai constaté que les chercheurs en foresterie sont soit effrayés par la complexité de l'apprentissage profond, soit ne pensent pas qu'il puisse jouer un rôle dans leurs recherches. Dans tous ces cas, je suggère de prendre une demi-journée pour faire de l'annotation et d'essayer d'entraîner un YOLOv5 pour en comprendre la puissance et la simplicité.

Pour le dire simplement, je disais en fait : "Ta méthode ne fonctionne pas ? Alors YOLO-ise-la !"

Si tu souhaites te tenir au courant du travail de Stefano Puliti, n'hésite pas à visiter son profil NIBIO.

Link to this sectionTu as ton propre cas d'usage pour YOLOv5 ?#

Identifie-nous avec #YOLOvME sur nos réseaux sociaux avec ton propre cas d'usage de YOLOv5 et nous ferons la promotion de ton travail auprès de la communauté ML.